Logit模型两种边际效应计算方法的差异疑问

• 核心差异：边际效应的计算基准点完全不同

  • logitmfx默认计算的是均值处的边际效应（MEM）：先把所有自变量取均值代入模型，得到对应的预测概率p_mean，再用公式β * p_mean*(1-p_mean)计算边际效应——相当于只在“平均观测值”这一个点上算效应。
  • marginaleffects包的slopes函数默认计算的是平均边际效应（AME）：先给每一条观测数据单独计算边际效应（用该观测的自变量值算出p_i，再算β * p_i*(1-p_i)），最后把所有观测的边际效应取平均值——相当于对整个样本的效应做平均。

• 其他可能的差异来源

  • 固定效应的处理：feglm是专门用于拟合固定效应非线性模型的工具（用偏似然估计），如果你用logitmfx时没有正确加入相同的固定效应（比如没加虚拟变量或者用了不同的固定效应处理方式），模型的系数β本身就会有差异，进而导致边际效应数值不同。
  • 计算细节的差异：两个包在处理数值精度、导数计算的小细节上可能有细微差别，但这通常不会导致“显著差异”，核心还是基准点的问题。

• 验证方法

  • 如果你把slopes的计算基准改成均值处，结果会和logitmfx默认值对齐：用slopes(model, newdata = datagrid())，datagrid()默认会取所有自变量的均值生成一个虚拟观测，计算该点的边际效应。
  • 反过来，把logitmfx改成计算AME：设置参数atmean = FALSE，此时它会对每个观测计算边际效应再平均，结果会和slopes默认值一致。

内容的提问来源于stack exchange，提问作者elongat